Πρόβλεψη Τιμών Ηλεκτρικής Ενέργειας με Χρήση της Αρχιτεκτονικής Transformer

Choulakis, Zacharias; Χουλάκης, Ζαχαρίας

dc.contributor.author	Choulakis, Zacharias	en
dc.contributor.author	Χουλάκης, Ζαχαρίας	el
dc.date.accessioned	2025-11-12T06:29:39Z
dc.date.available	2025-11-12T06:29:39Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62837
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30533
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Επενδυτική στρατηγική	el
dc.subject	Transformer	en
dc.subject	Ανάλυση χρονοσειρών	el
dc.title	Πρόβλεψη Τιμών Ηλεκτρικής Ενέργειας με Χρήση της Αρχιτεκτονικής Transformer	el
dc.contributor.department	Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-06-20
heal.abstract	Η ενέργεια αποτελεί θεμέλιο για τη λειτουργία και την εξέλιξη της σύγχρονης κοινωνίας, καθώς είναι αναγκαία για την υποστήριξη του συνόλου σχεδόν των ανθρώπινων δραστηριοτήτων, από τη βιομηχανική παραγωγή και τις μεταφορές, έως την κατοικία και τις ψηφιακές υποδομές. Παράλληλα, αποτελεί βασικό μοχλό οικονομικής ανάπτυξης, με την προσβασιμότητα και την αποδοτική χρήση ενεργειακών πόρων να καθορίζουν σε μεγάλο βαθμό τη βιωσιμότητα και την ανταγωνιστικότητα των οικονομιών. Ωστόσο, η συνεχής αύξηση της ζήτησης, σε συνδυασμό με την πεπερασμένη φύση των παραδοσιακών ενεργειακών πόρων και τις αυξανόμενες περιβαλλοντικές πιέσεις, καθιστούν επιτακτική την ανάγκη για μετάβαση προς ένα πιο αποδοτικό, ευφυές και βιώσιμο ενεργειακό σύστημα. Σε αυτό το πλαίσιο, οι τεχνολογίες της Τεχνητής Νοημοσύνης και πιο συγκεκριμένα η Μηχανική Μάθηση (Machine Learning), αναδεικνύονται ως κρίσιμα εργαλεία για την αντιμετώπιση της πολυπλοκότητας που χαρακτηρίζει την πρόβλεψη και διαχείριση της ενεργειακής αγοράς. Τα εξελιγμένα μοντέλα πρόβλεψης, όπως οι αρχιτεκτονικές τύπου Transformer, προσφέρουν τη δυνατότητα επεξεργασίας μεγάλων όγκων ιστορικών και χρονικά εξαρτώμενων δεδομένων, με στόχο την ακριβή εκτίμηση μελλοντικών τιμών και συνθηκών της αγοράς. Τα μοντέλα αυτά, βασισμένα σε μηχανισμούς αυτο-προσοχής (self-attention), έχουν ήδη αποδείξει την υπεροχή τους σε καθήκοντα όπως η φυσική γλώσσα και η ανάλυση ακολουθιακών δεδομένων, γεγονός που τα καθιστά ιδανικούς υποψήφιους και για προβλήματα πρόβλεψης τιμών ηλεκτρικής ενέργειας. Η πρόβλεψη των τιμών ηλεκτρικής ενέργειας αποτελεί ένα ιδιαίτερα απαιτητικό πρόβλημα, καθώς επηρεάζεται από ένα ευρύ φάσμα μεταβλητών, όπως οι καιρικές συνθήκες (π.χ. θερμοκρασία, ηλιοφάνεια, άνεμος), οι διακυμάνσεις της ζήτησης, η διαθεσιμότητα και το κόστος των πηγών παραγωγής, καθώς και οι κανονιστικές και οικονομικές συνθήκες της αγοράς. Η δυνατότητα πρόβλεψης αυτών των τιμών με υψηλό βαθμό ακρίβειας έχει σημαντική πρακτική αξία, όχι μόνο για τους διαχειριστές δικτύου και τους παρόχους ενέργειας, αλλά και για τους επενδυτές, καθώς τους επιτρέπει να αξιολογούν ευκαιρίες, να σχεδιάζουν στρατηγικές τοποθετήσεις και να ελαχιστοποιούν τον επενδυτικό κίνδυνο. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, διερευνάται η αξιοποίηση ενός μοντέλου τύπου Transformer για την πρόβλεψη των τιμών ηλεκτρικής ενέργειας, με σκοπό την εξαγωγή στρατηγικών επένδυσης βασισμένων στα προβλεπόμενα δεδομένα. Η μεθοδολογική προσέγγιση περιλαμβάνει την ανάλυση ιστορικών δεδομένων, τη σχεδίαση και εκπαίδευση του μοντέλου, καθώς και την αξιολόγηση της αποτελεσματικότητάς του ως προς την ακρίβεια πρόβλεψης και τη χρηστική του αξία στο επενδυτικό πλαίσιο. Μέσα από την ανάλυση των αποτελεσμάτων, αναδεικνύεται η σημασία της ενσωμάτωσης της τεχνητής νοημοσύνης στη διαχείριση των ενεργειακών πόρων και η δυνατότητα αξιοποίησης των προβλέψεων για τη λήψη τεκμηριωμένων και αποδοτικών επενδυτικών αποφάσεων, συμβάλλοντας ταυτόχρονα στην προώθηση της ενεργειακής αποδοτικότητας και της βιωσιμότητας.	el
heal.abstract	Energy constitutes a foundational pillar for the functioning and advancement of modern society, as it is essential for supporting nearly all human activities from industrial production and transportation to housing and digital infrastructure. Simultaneously, it serves as a key driver of economic development, with accessibility to and efficient utilization of energy resources playing a critical role in determining the sustainability and competitiveness of economies. However, the continuous rise in demand, coupled with the finite nature of traditional energy sources and escalating environmental pressures, underscores the urgent need for a transition toward a more efficient, intelligent, and sustainable energy system. Within this context, Artificial Intelligence technologies and more specifically Machine Learning are emerging as pivotal tools for addressing the inherent complexity of forecasting and managing energy markets. Advanced predictive models, such as Transformer-based architectures, offer the capability to process vast amounts of historical and temporally dependent data, aiming to accurately estimate future market prices and conditions. These models, grounded in self-attention mechanisms, have already demonstrated their superiority in tasks such as natural language processing and sequential data analysis, rendering them highly suitable candidates for the problem of electricity price forecasting. Electricity price forecasting is a particularly challenging task, influenced by a wide array of variables, including weather conditions (e.g., temperature, solar radiation, wind), demand fluctuations, the availability and cost of production sources, as well as regulatory and economic market dynamics. The ability to predict these prices with a high degree of accuracy holds substantial practical value not only for grid operators and energy providers but also for investors, as it enables opportunity assessment, strategic positioning, and risk minimization. This thesis explores the application of a Transformer-based model for forecasting electricity prices, with the objective of deriving investment strategies informed by the predicted data. The methodological approach encompasses the analysis of historical datasets, the design and training of the model, and the evaluation of its performance in terms of predictive accuracy and practical relevance within an investment framework. Through the analysis of results, the study highlights the importance of integrating Artificial Intelligence into energy resource management and demonstrates the potential of data-driven forecasts to support informed and effective investment decisions, thereby contributing to enhanced energy efficiency and sustainability.	en
heal.advisorName	Βαρβαρίγος, Εμμανουήλ
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα
heal.committeeMemberName	Παπαβασιλείου, Συμεών
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	84
heal.fullTextAvailability	false